رغم الإنجازات الكبيرة التي حققتها الشبكات العصبية الرسومية (GNNs) في التعلم على الرسوم البيانية، تواجه الشبكات العصبية الرسومية التقليدية صعوبة في التغلب على الحد الأقصى للقدرة التعبيرية لخوارزمية اختبار التماثل الرسومي ويسفيلر-لمن من الدرجة الأولى (1-WL)، وذلك بسبب التوافق بين نمط الانتشار في GNNs و1-WL. بالاعتماد على حقيقة أن من الأسهل التمييز بين الرسم البياني الأصلي من خلال الرسوم الجزئية، نقترح إطارًا جديدًا للشبكة العصبية يُسمى الشبكات العصبية الرسومية التي تدرك البنية الفرعية (SAGNN) لمعالجة هذه المشكلات. نحن نقترح أولًا ما يُعرف بـ "الرسم الجزئي القُطَع" (Cut subgraph)، والذي يمكن استخلاصه من الرسم البياني الأصلي من خلال حذف متكرر ومنتقي للحواف. ثم نوسع نموذج الترميز بناءً على المشي العشوائي ليشمل احتمال العودة للعقدة الجذرية على الرسم الجزئي، بهدف التقاط المعلومات البنائية، ونستخدم هذا الاحتمال كميزة للعقدة لتحسين القدرة التعبيرية لـ GNNs. وقد أثبتنا نظريًا أن إطارنا أكثر قوة من 1-WL، ويتفوق في إدراك البنية. أظهرت تجاربنا الواسعة فعالية الإطار المُقترح، حيث حقق أداءً متقدمًا على مجموعة متنوعة من المهام الرسومية المثبتة، كما أن الشبكات العصبية المزودة بإطارنا أظهرت أداءً ممتازًا حتى في الرسومات التي فشلت فيها خوارزمية 3-WL. وبشكل خاص، حقق إطارنا تحسنًا أقصى بنسبة 83% مقارنةً بالنماذج الأساسية، وبنسبة 32% مقارنةً بأفضل الطرق السابقة.